Professional Documents
Culture Documents
د.إيمان ديلانة3
د.إيمان ديلانة3
طريقة التحكم المباشر لتحسين كفاءة نظم الطاقة الشمسية الكهروضوئية باستخدام
Matlab/Simulink
*
د .إيمان ديالنة
ملخص
يقدم البحث منهجية جديدة لتطوير متحكم مرتكز على الشبكات العصبونية الصنعية ANNوعلى طريقة
التحكم المباشر ،بهدف الحصول على الطاقة القصوى الممكنة من النظم الشمسية الكهروضوئية في ظل التغيرات
الجوية المختلفة من شدة إشعاع شمسي ودرجة حرارة محيطة .في هذا السياق ،يقدم البحث نموذج جديد لمتحكم
MPPT-ANNلتتبع نقطة االستطاعة العظمى MPPللنظم الشمسية الكهروضوئية في بيئة
.Matlab/Simulinkيرتكز المتحكم MPPT-ANNالمطور على شبكة عصبونية صنعية ذات تغذية أمامية
FFNNمدربة باستخدام خوارزمية االنتشار العكسي للخطأ ،لتحديد توتر التشغيل األمثل للنظام الكهروضوئي PV
عند التغيرات الجوية المختلفة .كما يقترح البحث ،خوارزمية تحكم تعتمد على طريقة التحكم المباشر لتحديد نسبة
التشغيل المستخدمة للتحكم مباشرة في دورة عمل مبدل جهد مستمر ،وذلك اعتمادا على مقارنة الفرق الناتج بين
توتر خرج النظام الكهروضوئي وتوتر التشغيل األمثل خرج الشبكة العصبونية .إن لمتحكم المطور MPPT-ANN
المرتكز على شبكة ،FFNNيمتاز بسرعة فائقة بتتبع نقطة MPPوبتحقيق كفاءة عالية لنظام PVعند التغيرات
الجوية .أظهرت نتائج المحاكاة المنجزة في بيئة ،Matlab/Simulinkاألداء األفضل للمتحكم المطور MPPT-
ANNبتحقيق أداء ديناميكي أفضل ودقة عالية عند تتبع نقطة ،MPPمقارنة مع استخدام متحكم أخر MPPT-
ANN-PIيعتمد على شبكة عصبونية صنعية ومتحكم تناسبي-تكاملي تقليدي ،ومقارنة أيضا ً مع متحكم تقليدي
MPPT-P&Oمرتكز على تقنية االضطراب والمراقبة عند التغيرات الجوية المختلفة.
الكلمات المفتاحية:
نظام كهروضوئي ،شبكة عصبونية صنعية ذات تغذية أمامية ،طريقة التحكم المباشر ،تقنية االضطراب والمراقبة.
*مدرسة– قسم هندسة القوى الميكانيكية –كلية الهندسة الميكانيكية والكهربائية – جامعة تشرين – الالذقية – سورية.
imanedilaneh@gmail.com
1
Developing a Controller based on Feed Forward Neural
Networks and Direct Control Method to improve the
efficiency of Solar Photovoltaic Energy Systems using
Matlab/Simulink
*
Dr. Imane Dilaneh
ABSTRACT
This research presents a new methodology for the development of a controller based
on Artificial Neural Networks and Direct control method in order to obtain the
maximum available energy from Solar Photovoltaic (PV) Energy systems under
different atmospheric changes of the solar insolation and ambient temperature. In this
context, this research presents a new model for MPPT-ANN in order to track the
Maximum Power Point of PV systems in Matlab/Simulink environment. The developed
controller is based on Feed Forward Neural Network FFNN trained by Back-
propagation algorithm of error to determine the optimal voltage operation of the system
PV system at different atmospheric changes. This research also suggests, control
algorithm based on the direct control method in order to determine the duty cycle,
which used to control directly the operating of DC-DC Voltage Converter, depending
on a comparison of the difference between the output voltage of PV system and the
optimal voltage output of the neural network. The developed controller MPPT-ANN
based on a network FFNN, Characterized by fast speed to track of MPP point and
achieve high efficiency for the PV system under the atmospheric changes. The
simulation results completed in Matlab/Simulink environment, showed the best
performance of developed controller MPPT-ANN by achieving a better dynamic
performance and high accuracy when tracking the MPP, compared with the use of the
another PI-ANN controller based on artificial neural network and the conventional
Proportional-Integral Controller, and compared with the use of the conventional MPPT-
P&O based on Perturb and Observe (P&O) technique under different atmospheric
changes.
Key words
Photovoltaic System, Feed Forward Neural Network, Direct control method, Perturb
and Observe technique.
*
Assistant Professor, Department of Mechanical Power Engineering, faculty of Mechanical and
Electrical Engineering, Tishreen University, Lattakia, Syria. imanedilaneh@gmail.com.
2
مقدمة:
طورت عدة تقنيات تحكم لتتبع نقطة االستطاعة العظمى ( )Maximum Power Point, MPPللنظم
الشمسية الكهروضوئية ( ،)Photovoltaic System, PVبهدف الحصول على الطاقة القصوى من هذه النظم
الكهروضوئية في ظل تغير شدة اإلشعاع الشمسي ،تغير درجة حرارة الجو المحيط واضطرابات الحمل المربوط
معها .تركزت معظم تقنيات تتبع نقطة االستطاعة العظمى )،(Maximum Power Point Tracking, MPPT
على استخدام تقنيات تتبع تقليدية .تختلف هذه التقنيات التقليدية فيما بينها من حيث بساطتها ،سهولتها في التنفيذ،
تكلفتها ،دقتها في تتبع نقطة MPPومن حيث استخدامها لطريقة التحكم المباشر أو غير المباشر [ .]3,2,1من أكثر
التقنيات التقليدية استخداما ،نذكر تقنية االضطراب والمراقبة ) (Perturb and Observer, P&Oوتقنية زيادة
الناقلية ) .(Incremental conductance, INCتتميز تقنيات P&Oو INCالتقليدية ،المرتكزة على طريق
التحكم المباشر بأداء أفضل مقارنة مع تلك المستخدمة لطريقة التحكم الغير مباشر المتطلبة استخدام متحكم تناسبي-
تكاملي تقليدي ) .(Proportional Integral Controller, PIإن استخدام متحكم PIتقليدي للتحكم في دورة
عمل مبدل الجهد لتحقيق عمل نظام PVعند نقطة ،MPPيخفض من األداء الديناميكي لنظام التحكم كما أنه ال
يعتبر الحل األنسب عند التحكم باألنظمة الالخطية كنظم .PV
يمكن استخدام تقنيات التحكم المتقدمة ،كالتحكم الضبابي ) (Fuzzy Logic Controller, FLCوالشبكات
العصبونية الصنعية ( ،)Artificial Neural Networks, ANNلضمان أداء أفضل لعمل أنظمة التحكم في تتبع
نقطة MPPمقارنة مع استخدام تقنيات P&Oو .]6,5,4[ INCيعتبر المتحكم الضبابي FLCمن أكثر تقنيات
التحكم المتقدمة استخداما ،حيث أنه يمكن من تتبع نقطة MPPلنظم PVبكفاءة عالية .يعتمد التصميم الجيد
للمتحكم الضبابي FLCبشكل أساسي على خبرة المصمم وفهمه العميق للعالقة الرابطة بين كل من متغيرات الدخل
والخرج للمتحكم ،لذلك يمكن أن يفشل تصميم المتحكم FLCفي حالة غياب المعرفة الدقيقة لهذه العالقة .إن
استخدام الشبكات العصبونية ANNلتصميم متحكم ،MPPTيتسم بالسهولة والبساطة مقارنة مع تصميم متحكم
MPPTمرتكز على استخدام .FLCحيث يمكن بناء متحكم ANNبسهولة في حال توفر بيانات تدريب كافية،
وباالختيار الصحيح لهيكلية الشبكة العصبونية الصنعية ،المحققة لمعايير األداء الجيد .في المرجع ] ،[5تم نمذجة
شبكة ANNلتحديد تيار التشغيل األمثل IMPPالموافق لنقطة ،MPPحيث تم ضبط تيار خرج النظام PVعند
تيار التشغيل IMPPباستخدام متحكم PIتقليدي .أما في المرجع ] ،[6تم اعتبار أن نسبة التشغيل هي خرج شبكة
،ANNأما مدخل الشبكة فهي االستطاعة خرج نظام .PVأظهرت هذه الدراسات المرجعية ،تحقيق المتحكم
المرتكز على شبكة ANNسلوك حالة عابرة جيد يتميز بسرعة استجابة عالية لتتبع نقطة MPPعند التغيرات
الجوية المختلفة مقارنة مع تقنيات التحكم األخرى.
3
أداء وفعالية المتحكم MPPT- ANNالمطور ،على مقارنة نتائج المحاكاة المنجزة في بيئة ،Matlab/Simulink
مع تلك الناتجة باستخدام متحكم MPPT-ANN-PIومتحكم MPPT-P&Oتقليدي .باإلضافة لمقارنة نتائج
عامل الكفاءة لنظام PVالناتج باستخدام كل من المتحكمات المذكورة مع حالة عدم استخدام متحكم MPPTأي
حالة الوصل المباشر لحمل أومي مع نظام PVعند التغيرات الجوية الفجائية والسريعة.
بنية الشبكة العصبونية الصنعية ذات التغذية األمامية FFNNالمقترحة لتتبع نقطة
MPPلنظام PV
تتكون بنية الشبكة العصبونية الصنعية ذات التغذية األمامية FFNNالمقترحة لتتبع نقطة MPPلنظام ، PV
من ثالث طبقات :طبقة دخل ،طبقة مخفية وطبقة خرج .تحوي طبقة الدخل على متغيري دخل ،يمثل متغير الدخل
. .بينما يمثل متغير الدخل الثاني شدة اإلشعاع الشمسي األول درجة حرارة الخلية الشمسية
في حين ،تحوي طبقة الخرج على عصبون واحد ممثل لخرج الشبكة VMPPوالموافق لتوتر التشغيل األمثل لنظام
.PVأما عدد عصبونات الطبقة المخفية ،حدد خالل عملية تدريب الشبكة بأربع عصبونات كما هو موضح بالشكل
( )2الذي يبين بنية شبكة FFNNالمقترحة لتتبع نقطة MPPلنظام .PV
4
الشكل ( )2بنية الشبكة العصبونية الصنعية FFNNالمقترحة لتتبع نقطة MPPلنظام .PV
لتقييم أداء الشبكة المدربة سنعتمد على دليل األداء ( )Performance Indexالممثل لقيمة متوسط مربع
)Mean square error ,المحدد كما يلي: الخطأ (
()2
:القيم الحقيقية للخرج والقيم الناتجة عن الشبكة عند وحدة اإلخراج على التوالي. و تمثل
أصغرية متناهية إلى الصفر .كما يمكن التحقق من أداء حيث أن األداء المثالي للشبكة المدربة يتوافق مع قيمة
وموثوقية الشبكةـ ،بتقييم قيمة معامل االرتباط ،(Correlation Coefficient) Rالذي يحدد دقة نموذج شبكة
ANNالناتج ،وذلك بمقارنة نتائج المخرجات الحقيقية والناتجة عن الشبكة .فعند اقتراب قيمة Rمن 1يعنى أن
النموذج جيد ،وعندما تكون قيمة Rبالقرب من 0تدل على أن النموذج الناتج للشبكة العصبونية غير جيد.
إدخال بيانات يصل عددها إلى 300عينة مرتبة على شكل مصفوفة ،تمثل هذه البيانات قيم مختلفة
لمتغيري دخل الشبكة ،والموافقة لتغيرات درجة حرارة خلية الشمسية الواقعة ضمن المجال:
،باإلضافة ،ولتغيرات مختلفة لشدة اإلشعاع الشمسي
إلدخال بيانات خرج الشبكة الممثلة لقيم VMPPالموافقة لكل من تغيرات و .حيث تم الحصول
على قيم VMPPباعتبارها حلول المعادلة ( ،)4الناتجة باستخدام عالقة استطاعة نظام PVالتالية:
)(3
)(4
التيار الضوئي تيار وتوتر خرج نظام PVعلى التوالي .يمثل ، يمثل
عامل مثالية الديود. الجهد الحراري، تيار اإلشباع العكسي، المتولد،
شحنة االلكترون ،درجة حرارة الخلية الشمسية .و المقاومة التسلسلية و ثابت بولتزمان،
المقاومة التفرعية وتقاس باألوم.
5
سِّمت البيانات المدخلة عشوائيا إلى ثالث مجموعات هي :مجموعة التدريب ،مجموعة التحقق ومجموعة قُ ّ
االختبار ،وذلك بنسبة % 70لمجموعة التدريب وبنسبة % 11لمجموعتي التحقق واالختبار.
تم اختيار تابع التدريب " ،" trainlmالممثل لخوارزمية التدريب العكسي ،Marquardt Levenberg
التي تعتبر األكثر انتشارا واستخداما في تدريب شبكات ،FFNNألنها تمتاز بسرعة عالية في الوصول
إلى الحل األمثل الموافق لتحقيق متوسط خطأ أصغري .MSEكما تم اعتماد تابع التفعيل سيغمويد (تابع
الظل القطعي) " tansig " :في الطبقة المخفية ،وتابع التفعيل الخطي " " purelinفي طبقة الخرج.
ُحدد عدد العصبونات في الطبقة المخفية بالتجريب ،وذلك بتغيير عدد عصبونات هذه الطبقة وتدريب
الشبكة لغاية الحصول على معايير األداء المثلى للشبكة المدربة.
تم اعتماد ثالثة سيناريوهات لبناء الشبكة العصبونية ،تحوي جميعها على طبقة دخل بمدخلين ،وطبقة
خرج بعصبون واحد بينما عدد عصبونات الطبقة المخفية ،يختلف من اثنين إلى ثالثة إلى أربعة ،كما هو
موضح بالجدول ( . )1كما تم االعتماد على تقييم قيمة متوسط الخطأ MSEوقيم معامل االرتباط Rفي
مرحلة التدريب والتحقق واالختبار ،العتماد هيكلية الشبكة العصبونية FFNNالنهائية المعتمدة في
البحث.
الجدول ( )1يوضح سيناريوهات الشبكة التي تم بناؤها مع قيم MSEو Rفي مرحلة التدريب واالختبار والتحقق.
من الجدول ( ،)1يتضح أن االستمرار بزيادة عدد عصبونات الطبقة المخفية سيؤدي إلى تحقيق قيمة أصغرية
لمتوسط مربع خطأ ،ولكنه يزيد من حجم وتعقيد الشبكة ،لذلك نعتبر أن السيناريو الذي يعطي الشبكة المثالية هو
،ويحقق قيمة مثلى لمعامل االرتباط Rمساوية للواحد. األخير ،الذي يعطي أقل قيمة لمتوسط مربع خطأ
وبالتالي النموذج األمثل لشبكة FFNNيمتلك الهيكلية التالية :طبقة الدخل مؤلفة من دخلين ،طبقة مخفية بأربع
عصبونات ،وطبقة خرج بعصبون واحد ،كما هو موضح بالشكل ( )3الذي يبين بنية الشبكة FFNNالنهائية
المستخدمة في البحث.
يظهر الشكل ( ،)4منحني األداء للشبكة العصبونية الموافق للسناريو األخير ،حيث يتضمن الشكل المذكور أربعة
منحنيات :منحني عملية التدريب ( ،)Trainمنحني صالحية الشبكة العصبونية أي التحقق ( ،)Validationمنحني
عملية االختبار( ،)Testومنحني القيم األفضل ( .)Bestنرى من خالل الشكل أن المنحنيات جميعها تقاربت إلى
.بينما يظهر الشكل (،)1 عند التكرار قيمة متوسط مربع الخطأ،
قيمة معامالت االرتباط Rللمجموعات الثالث (التدريب-التحقق-االختبار) مساوية للواحد ،وهذا يظهر دقة نموذج
FFNNالناتج ،كما يظهر العالقة الخطية بين قيم الخرج النظرية وتلك الناتجة عن الشبكة .بعد انتهاء عملية تدريب
الشبكة والحصول على النموذج األمثل لها ،نعتمد األوزان واالنزياحات الناتجة في هذه المرحلة ،ليتم استخدامها في
محاكاة شبكة FFNNفي بيئة .Matlab/Simulinkوبذلك نحصل على النموذج النهائي لشبكة FFNNالمطور
في بيئة Matlab/Simulinkوالممثل بالمخطط الصندوقي الموضح بالموضح بالشكل (.)7
مصفوفة األوزان عبر االرتباطات من طبقة الدخل إلى عصبونات الطبقة ، تمثل كل من
المخفية ،وصفوفة األوزان عبر االرتباطات من عصبونات الطبقة المخفية إلى عصبون طبقة الخرج على التوالي.
فتمثل مصفوفات االنزياحات .كما يبين الشكل اعتماد تابع التفعيل سيغمويد " " tansigفي الطبقة أما
المخفية ،وتابع " " purelinفي طبقة الخرج.
6
الشكل ( )3بنية الشبكة FFNNالنهائية المعتمدة في بيئة .Matlab
.
7
الشكل ) (5معامالت االرتباط للمجموعات الثالث (التدريب-التحقق-االختبار).
8
الشكل ( )7نموذج شبكة التغذية األمامية FFNNالمطور في بيئة .Matlab/Simulink
خوارزمية التحكم المباشر المقترحة لتحديد نسبة التشغيل المرتكزة على خرج شبكة FFNN
لتحقيق عمل المتحكم MPPTفي تتبع نقطة MPPلنظام ،PVيجب تحديد نسبة التشغيل المستخدمة للتحكم
في دورة عمل مبدل جهد مستمر ،عند التغيرات الجوية المختلفة .لهذا الغرض ،اقترحنا خوارزمية تحكم ،تمكننا من
الناتج من نموذج تحديد نسبة التشغيل باالعتماد على مقارنة توتر خرج نظام PVمع توتر التشغيل األمثل
الشبكة العصبونية FFNNاستجابة لتغيرات كل من و ،لتيم بناء على ذلك تحديد قيمة نسبة التشغيل
. بمقدار محدد ثابت وذلك بزيادة أو انقاص قيمة نسبة التشغيل السابقة
خرج شبكة .FFNN الشكل ( )8خوارزمية التحكم المقترحة لتحديد نسبة التشغيل باالعتماد على التوتر األمثل
يعتمد تحقيق عمل المتحكم ،MPPTفي البحث على مبدل رافع للجهد المستمر ،يقوم هذا المبدل برفع توتر الدخل
باالعتماد على نسبة التشغيل المحددة بالعالقة الممثل لتوتر خرج النظام PVإلى توتر الحمل
التالية:
9
عدد البعدي ،يمثل نسبة تشغيل ترانزستور مبدل الجهد ،الناتجة من نسبة الزمن الذي يكون تعتبر
بالفولت [.]V و الترانزستور مغلقا إلى زمن الدور .يقاس كل من التوتر
الشكل ( )9محاكاة متحكم MPPTمرتكز على شبكة FFNNباستخدام طريقة التحكم المباشر في بيئة .Matlab/Simulink
كما يبين الشكل ( ،)10محاكاة المتحكم MPPT-P&Oالمرتكز على تقنية االضطراب والمراقبة P&O
،باالعتماد على تحديد نوع إشارة كل من المباشرة .تعتمد تقنية P&Oالمباشرة على تحديد نسبة التشغيل
لخرج النظام ،PVليتم تحديد زيادة أو تخفيض قيمة نسبة التشغيل وتغيرات التوتر تغيرات االستطاعة
. بمقدار محدد ثابت في الخطوة السابقة
11
الشكل ( )10محاكاة متحكم MPPT-P&Oباستخدام طريقة التحكم المباشر في بيئة .Matlab/Simulink
الشكل ( )11محاكاة نظام تتبع نقطة MPPلنظام ،PVمرتكز على متحكم ANNالمطور في بيئة .Matlab/Simulink
أما الشكل ( ،)12يبين المحاكاة مع متحكم MPPT-ANN-PIالمعتمد على شبكة عصبونية صنعية لتحديد
توتر التشغيل األمثل VMPPالذي يتم مقارنته مع توتر خرج النظام PVلتحديد الخطأ الممثل كدخل لمتحكم PI
تقليدي .بناء على ذلك ،يقوم المتحكم PIبتوليد إشارة النبضة المستخدمة للتحكم في عمل ترانزستور مبدل الجهد
كما هو موضح في المرجع ] .[7كذلك يبين الشكل ( )13المحاكاة الناتجة مع متحكم .MPPT-P&O
11
الشكل ( )12محاكاة نظام تتبع نقطة MPPلنظام ،PVمرتكز على متحكم MPPT-ANN-PIفي بيئة .Matlab/Simulink
الشكل ( )13محاكاة نظام تتبع نقطة MPPلنظام ،PVمرتكز على متحكم MPPT-P&Oفي بيئة .Matlab/Simulink
النتائج والمناقشة
الموافقة لتوتر نقطة MPPعند التغيرات الجوية يمكن الحصول على قيم توتر التشغيل األمثل
خرج شبكة المختلفة باستخدام نموذج شبكة FFNNالموضح بالشكل ( .)7يبين الجدول ( )2مقارنة قيم
مع ثبات الناتجة عند تغيرات مختلفة لشدة اإلشعاع الشمسي FFNNمع القيم النظرية
.أما الجدول ( ،)3يبين المقارنة عند تغيرات مختلفة لدرجة حرارة درجة حرارة الخلية الشمسية
.كما تظهر نتائج الجدول ( )2و( ،)3أن الخلية الشمسية مع ثبات قيمة شدة اإلشعاع الشمسي
الناتجة مع القيم النظرية، متناهية في الصغر ،مما يعني تقارب قيم قيم قيمة متوسط مربع الخطأ
بدقة كبيرة .وبذلك ،يمكن اعتبار نموذج شبكة وهذا يعكس دقة نموذج شبكة FFNNالمعتمد في تقدير قيم
عند أي تغيرات جوية بدقة وبسرعة فائقة. FFNNعبارة عن نموذج رياضي لتقدير قيمة
12
خرج شبكة FFNNوقيمة وتوتر التشغيل األمثل الجدول ( )2قيم التوتر األمثل النظري
. مع ثبات درجة حرارة الخلية الشمسية عند تغيرات مختلفة لشدة اإلشعاع الشمسي
خرج شبكة FFNNوقيمة وتوتر التشغيل األمثل الجدول ( )3قيم التوتر األمثل النظري
. عند تغيرات مختلفة لدرجة حرارة الخلية الشمسية مع ثبات شدة اإلشعاع الشمسي
قبل عرض نتائج المحاكاة الناتجة باستخدام المتحكم ،MPPT-ANNيمكن دراسة تغير االستطاعة النظرية
لنظام ،PVمع تغير شدة اإلشعاع الشمسي Gودرجة حرارة الخلية الشمسية .حيث تزداد العظمى
كما هو موضح بالشكل ( .)14بينما تتناقص بزيادة Gعند ثبات درجة الحرارة االستطاعة النظرية
مع زيادة وثبات قيمة Gكما هو موضح بالشكل ( .)11يتكون النظام PVالمدروس من االستطاعة
والمحددة عند خلية شمسية موصولة على التسلسل للحصول على االستطاعة الكلية للنظام
. , الشروط القياسية النظامية
13
T= 25°C, G = (600-1000-400-700-900) W /m2
180
2
150
MPP G=1000W/m ,T=25°C
2
G=900W/m ,T=25°C MPP
2
MPP G=700W/m ,T=25°C
)Ppv (W
100 2
G=600W/m ,T=25°C MPP
2
MPP G=400W/m ,T=25°C
50
0
0 10 20 30 40 50 60
)VMPP (V
الشكل ( )14منحني الخصائص المميزة ( )P-Vللنظام PVعند تغير شدة اإلشعاع الشمسي ودرجة حرارة ثابتة.
2
2 MPP G=800W/m ,T=25°C
120 G=800W/m ,T=35°C MPP
)Ppv (W
2
MPP G=800W/m ,T=55°C
80
40
0
0 10 20 30 40 50 60
)VMPP (V
الشكل ( )15منحني الخصائص المميزة ( )P-Vللنظام PVعند تغير درجة الحرارة وشدة إشعاع شمسي ثابتة.
14
G = (600-1000-400-700-900) W /m2
1100
900
)G (W/m2
700
500
300
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
)time(s
140
120
MPPT-ANN
100 MPPT-P&O
)Ppv (W
80
60
MPPT-ANN-PI
40
MPPT-ANN
MPPT-ANN-PI
20
W ithout MPPT-P&O
MPPT Without MPPT
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
)time(s
الشكل ( )11استطاعة خرج نظام PVعند شروط تغير شدة اإلشعاع الشمسي ودرجة حرارة ثابتة.
لنظام PVالمبينة يمكن تقييم فعالية كل من المتحكمات السابقة باالعتماد على نتائج قيم عامل الكفاءة
في الجدول ( ،)4والناتجة بقسمة استطاعة خرج نظام PVالناتجة عند الحالة المستقرة الثابتة على االستطاعة
الناتجة عند نفس الشروط الجوية .فمن الجدول ( )4نالحظ أن النظام PVيمتلك عامل النظرية العظمى
كفاءة أعلى باستخدام متحكم MPPT-ANNمقارنة مع استخدام المتحكم MPPT-ANN-PIو MPPT-P&O
ومع حالة عدم استخدام متحكم .Without MPPT
T= 25°C, G = (600-1000-400-700-900) W /m2
0.7
0.6
0.5 MPPT-ANN
0.4
D
0.3
MPPT-ANN-PI MPPT-ANN
0.2 MPPT-ANN-PI
MPPT-P&O
MPPT-P&O
0.1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
)time(s
الشكل ( )11تغير نسبة التشغيل Dعند شروط تغير شدة اإلشعاع الشمسي ودرجة حرارة ثابتة.
15
الجدول ( )4عامل كفاءة نظام PVعند الحالة المستقرة مع متحكم MPPT-P&O،MPPT-ANN-PI ،MPPT-ANN
ودون متحكم MPPTعند سويات مختلفة لإلشعاع الشمسي
مع ثبات شدة اإلشعاع نفترض اآلن شروط جوية أخرى موافقة لتغيرات لدرجة حرارة الخلية الشمسية
كما هو موضح مع تغيرات لدرجة الحرارة الشمسي
بالشكل ( .)19كما هو موضح بالشكل ( ،)20يحقق المتحكم MPPT-ANNأداء ديناميكي أفضل لنظام ،PV
،مقارنة مع استخدام المتحكم MPPT-ANN-PI حيث يتقارب منحني االستطاعة بزمن أقل بكثير نحو قيم
و .MPPT-P&Oكما يبدي المتحكم MPPT-ANNسرعة استجابة أفضل للتغيرات في درجة الحرارة للوصول
كما هو مبين في الشكل ( .)21كما تبين نتائج الجدول ( ،)1يحقق بسرعة فائقة نحو قيم نسبة التشغيل المثلى
المتحكم MPPT-ANNعامل كفاءة أفضل لنظام PVعند شروط ثبات شدة اإلشعاع الشمسي
مع تغيرات مختلفة لدرجة حرارة الخلية الشمسية الحرارة:
مقارنة مع استخدام MPPT-ANN-PIو MPPT-P&Oومن دون استخدام متحكم . MPPT
T = 25- 55- 35°C
60
50
)T (°C
35
20
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
)time(s
16
T = 25- 55- 35°C, G = 800 W/m2
140
120
100
MPPT-ANN
)Ppv (W
80
MPPT-P&O
60 MPPT-ANN-PI
40
MPPT-ANN
MPPT-ANN-PI
20
Without MPPT MPPT-P&O
Without MPPT
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
)time(s
الشكل ( )22استطاعة خرج نظام PVعند تغير درجة الحرارة وشدة إشعاع شمسي ثابتة.
0.6
0.5
0.4
MPPT-ANN MPPT-P&O
D
0.3
MPPT-ANN-PI
0.2 MPPT-ANN
MPPT-ANN-PI
0.1
MPPT-P&O
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
)time(s
الشكل ( )21تغير نسبة التشغيل Dعند تغير درجة الحرارة وشدة إشعاع شمسي ثابتة.
17
االستنتاجات والتوصيات:
تم في هذا البحث العمل على تطوير متحكم MPPT-ANNمرتكز على شبكة عصبونية صنعية ذات تغذية
أمامية FFNNوعلى طريقة التحكم المباشر لتتبع نقطة MPPلنظام PVفي بيئة .Matlab/Simulinkكما تم
اختبار فعالية وأداء المتحكم المطور ،MPPT-ANNمقارنة مع استخدام كل من المتحكم MPPT-ANN-PI
و .MPPT-P&Oبناء على ذلك تم الوصول إلى االستنتاجات التالية:
أظهر نموذج شبكة FFNNالمعتمد في البحث ،سرعة فائقة ودقة كبيرة في تقدير قيمة توتر التشغيل
األمثل عند التغيرات المختلفة لشدة اإلشعاع الشمسي ودرجة الحرارة.
أظهر المتحكم ،MPPT-ANNالمعتمد على خوارزمية التحكم المباشر المقترحة ،دقة وسرعة فائقة في
تحديد قيم نسبة التشغيل المثلى المستخدمة للتحكم في دورة عمل مبدل رافع للجهد المستمر ،مقارنة مع
المتحكم MPPT-ANN-PIوذلك يعود لالستغناء عن استخدام المتحكم PIالذي ال يبدي أداء جيد عند
التحكم بالنظم الالخطية.
حقق استخدام المتحكم MPPT-ANNالمطور عامل كفاءة أفضل لنظام PVعند التغيرات الجوية
السريعة ،مقارنة مع المتحكم MPPT-ANN-PIو.MPPT-P&O
يتجلى األداء األفضل للمتحكم ،MPPT-ANNمن جهة بتحقيق أداء ديناميكي جيد لنظام PVوذلك
بتحقيق سرعة تقارب عالية نحو نقطة MPPالمتغيرة استجابة للتغيرات الجوية ،ومن جهة أخرى،
بتخفيض قيمة خطأ الحالة المستقرة مما نتج عنه ضبط استطاعة النظام PVعند قيم االستطاعة النظرية
العظمى.
يتسم تصميم المتحكم MPPT-ANNالمطور ،بالبساطة والسهولة حيث يمكن بناء متحكم ANNبسهولة
في حال توفر بيانات تدريب كافية ،وباالختيار الصحيح لهيكلية الشبكة العصبونية الصنعية ،المحققة
لمعايير األداء الجيد من متوسط خطأ أصغري وقيمة لمعامل االرتباط مساوية للواحد.
أوضحت نتائج المحاكاة صحة ودقة تصميم المتحكم المطور .MPPT-ANNحيث توافقت استجابة
النظام PVمع االستجابة المرغوبة المتوقعة باستخدام المتحكم MPPT-ANNعند كل التغيرات الجوية.
يمكن استكمال العمل باستخدام تقنيات تحكم متقدمة أخرى كالتحكم باستخدام المنطق الضبابي والخوارزميات
الجينية ،ومقارنة نتائج هذه التقنيات مع التقنيات المستخدمة في هذا البحث.
المراجع:
[1] DOLARA, A.; FARANDA, R; LEVA, S. Energy Comparison of Seven MPPT
Techniques for PV Systems. Journal of Electromagnetic Analysis and Applications. 1,
2009, 152-162.
[2] GAIKWAD, D.; CHAVAN, M. A Novel Algorithm for MPPT for PV Application
System by use of Direct Control Method. International Journal of Computer
Applications. 109, 2015, 10-15.
[3] GAIKWAD, D.; CHAVAN, M. Implementation of DC-DC Converter for MPPT by
Direct Control Method. International Journal of Engineering and Technical Research. 3,
2014, 1244-1248.
[4] CHEIKH, M.; LARBES, C.; TCHOKETCHT, G.; ZERGUERRASZ, A. Maximum
power point tracking using a fuzzy logic control scheme. Revue des Energies
Renouvelables 10, 2007, 387 – 395.
[5] NAGARJUNA, J.; MANJUNATHA, B. M.; MALLIKARJUNA, M. Improving
efficiency of Photovoltaic System with Neural Network Based MPPT Connected to DC
Shunt Motor. International Journal of Modern Engineering Research 3, 2013, 2901-
2907.
18
[6] MAKHLOUFI, T.; KHIREDDINE, S.; ABDESSEMED, Y.; BOUTARFA, A .
Tracking Power Photovoltaic System using Artificial Neural Network Control Strategy.
Intelligent Systems and Applications 12, 2014, 17-26.
[7] ELGHARBI, A.; MEZGHANI, D.; MAMI, A. A Maximum Power Point Tracking
Method Based on Artificial Neural Network for a PV System. International Journal of
Advances in Engineering & Technology 5, 2012, 130-140.
19